Sentiment Analyse in der Automobilindustrie mit Databricks
Sie möchten Kundenfeedbacks automatisiert auswerten und gezielt Produktverbesserungen ableiten? Dann hilft Ihnen dieser KI-Use Case weiter. In dieser Case Study zeigen wir Ihnen, wie ein internationaler Automobilhersteller mit Hilfe von Databricks SQL und generativer KI seine Feedbackanalyse in wenigen Minuten skalierbar und automatisiert durchführt – statt manuell und zeitaufwendig.
Wie lassen sich Kundenfeedbacks effizient und thematisch auswerten?
Unser Kunde, ein internationaler Automobilhersteller mit mehreren Tausend Mitarbeitenden, stand vor der Herausforderung, regelmäßig umfangreiche Kundenumfragen auszuwerten – aus verschiedenen Ländern, in unterschiedlichen Sprachen und mit freien Texteingaben.
Ziel war es, die Kundenmeinungen systematisch zu erfassen, Schwachstellen an Fahrzeugmodellen frühzeitig zu erkennen und Produktverbesserungen datenbasiert abzuleiten. Für den Hersteller war klar: Eine rein manuelle Auswertung ist weder zeitlich noch wirtschaftlich skalierbar.
Daher sollte eine KI-basierte Lösung implementiert werden, die sowohl die Stimmungsanalyse als auch die inhaltliche Klassifikation automatisiert übernimmt – als Basis für eine kontinuierliche, datengetriebene Optimierung der Fahrzeugqualität.
Vor diesen Herausforderungen stand unser Kunde
Hoher manueller Aufwand
Die Bearbeitung eines durchschnittlichen Feedback-Datensatzes dauerte bis zu einem Arbeitstag.
Zeitkritische Auswertungen
Die Übersetzung und Klassifizierung der Kundenfeedbacks war oft zeitkritisch und musste innerhalb weniger Stunden erfolgen.
Keine strukturierte Auswertung
Es fehlte eine zentrale Plattform, um Stimmungsverläufe zu bestimmten Fahrzeugmodellen systematisch auszuwerten.
Um dieses Problem effizient zu lösen, haben wir uns für den Einsatz eines KI-gestützten Analyse-Workflows entschieden. Ein intelligentes System, das Kundenfeedbacks automatisch übersetzt, klassifiziert und inhaltlich zuordnet – für schnelle Auswertungen auf Knopfdruck.
Die Daten dafür waren längst vorhanden: Tausende frei formulierte Rückmeldungen aus internationalen Fragebögen – bislang kaum strukturiert genutzt. Dabei steckt in jedem einzelnen Kommentar wertvolles Wissen über Nutzerwahrnehmung und Optimierungspotenzial.
Unser System analysiert diese Texte in Echtzeit. Es erkennt Stimmung, Thema und Modellbezug – und strukturiert die Inhalte so, dass Produktverantwortliche gezielt nachhaken können. So wird aus unübersichtlichem Freitext eine zentrale Entscheidungsgrundlage für Produktentwicklung und Qualitätsmanagement.
Wie gehen wir dabei vor?
1.
Die Kundenfeedbacks wurden datenschutzkonform in eine Databricks-Umgebung importiert und mit Zusatzinformationen wie der Treibstoffart des jeweiligen Modells angereichert. Die gesamte Verarbeitung erfolgte zentral in einem Databricks SQL Notebook.
2.
Ein generatives Sprachmodell übersetzte die Rückmeldungen automatisch ins Englische. Anschließend erfolgte die Einordnung in Stimmungen und Themenbereiche.
3.
Die Ergebnisse wurden in Power BI visualisiert, sodass Fachbereiche Modell-Feedbacks im Zeitverlauf auswerten können. Die Plattform bildet eine skalierbare Basis für zukünftige Analyse- und KI-Anwendungen.
Unsere Lösung
Die Daten wurden unter Ausschluss personenbezogener Informationen in eine Databricks-Umgebung importiert. Dort erfolgten alle weiteren Verarbeitungsschritte mittels Databricks SQL in einem zentralen Notebook.
Zunächst wurden die Fragebögen mit Zusatzinformationen wie der Treibstoffart des jeweiligen Modells angereichert. Im Anschluss kam ein generatives AI-Sprachmodell zum Einsatz, das mithilfe der nativen Funktion ai_translate()automatisch alle Rückmeldungen ins Englische übersetzte.
Mittels der Funktionen ai_analyze_sentiment() und ai_classify() wurden die übersetzten Texte klassifiziert: in Stimmungen (positiv, negativ, neutral) und thematisch bezogen auf Aspekte wie Lautstärke, Komfort oder Getriebe.
Die Ergebnisse wurden in Power BI überführt. Hier können Fachbereiche nun direkt erkennen, wie sich das Feedback je Modell über die Zeit verändert. Auch lassen sich zukünftig weitere Anwendungsfälle auf der zentralen Datenplattform abbilden.
Welche Probleme konnten durch eine KI-gestützte Feedbackanalyse vermieden werden?
- Manuelle Analysen führten oft zu verallgemeinerten Ergebnissen ohne Tiefenschärfe.
- Zu hohe Personalkosten durch manuelle Prozesse
- Fachbereiche waren durch kurzfristige Auswertungsanforderungen regelmäßig stark belastet.
Sie haben Fragen zum Thema Sentiment Analyse? Dann melden Sie sich! Wenn Sie sich für weitere spannende Fakten rund um das Thema KI interessieren, schauen sie auch gerne bei unseren Leistungen vorbei.
Lassen Sie uns sprechen und Ihr Potenzial entdecken.
Ob und wie künstliche Intelligenz Ihnen weiterhelfen kann, können Sie in einem ersten, unverbindlichen Gespräch mit uns herausfinden.
In diesem Gespräch erfahren Sie:
- Wie Ihr Use-Case technisch am besten umgesetzt werden kann
- Wie wir maximal sicher mit Ihren Kundendaten umgehen
- Wie lange wir für die Umsetzung benötigen und wie ein konkreter Projektplan aussehen könnte